एसएमटी रीफ्लो प्रक्रिया में घटक शिफ्ट के लिए डेटा-संचालित पूर्वानुमान मॉडल

2.1 डेटा संग्रह एवं फीचर इंजीनियरिंग

स्व-संरेखण और प्रमुख प्रभावित करने वाले कारकों के बीच संबंध स्थापित करने के लिए प्रायोगिक डेटा एकत्र किया गया। फीचर सेट को सावधानीपूर्वक इंजीनियर किया गया, जिसमें शामिल हैं:

• घटक ज्यामिति: आयाम (लंबाई, चौड़ाई, ऊँचाई)।
• पैड ज्यामिति: पैड आकार, आकृति और अंतराल।
• प्रक्रिया पैरामीटर: सोल्डर पेस्ट आयतन, प्लेसमेंट ऑफसेट (प्रारंभिक गलत संरेखण)।
• लक्ष्य चर: X ($\Delta x$), Y ($\Delta y$) और घूर्णन ($\Delta \theta$) में अंतिम शिफ्ट।

यह डेटा-संचालित दृष्टिकोण पारंपरिक सिमुलेशन-प्रधान विधियों से आगे बढ़ता है, जैसा कि इलेक्ट्रॉनिक्स में डेटा माइनिंग की समीक्षाओं (जैसे एलवी एट अल. द्वारा) में उल्लेख किया गया है, जिसने ऐसे अनुप्रयुक्त अध्ययनों की कमी पर प्रकाश डाला था।

2.2 मशीन लर्निंग मॉडल

पूर्वानुमान के लिए तीन मजबूत रिग्रेशन मॉडल लागू और ट्यून किए गए:

• सपोर्ट वेक्टर रिग्रेशन (एसवीआर): उच्च-आयामी स्थानों में प्रभावी, त्रुटि को एक सीमा $\epsilon$ के भीतर फिट करने का प्रयास करता है।
• न्यूरल नेटवर्क (एनएन): एक बहु-परत पर्सेप्ट्रॉन जो इनपुट फीचर और घटक गति के बीच जटिल, अरेखीय संबंधों को पकड़ने के लिए डिज़ाइन किया गया है।
• रैंडम फॉरेस्ट रिग्रेशन (आरएफआर): एक एन्सेम्बल विधि जो कई निर्णय वृक्षों से पूर्वानुमानों को एकत्रित करती है, जो अपनी सटीकता और ओवरफिटिंग के प्रति प्रतिरोध के लिए प्रसिद्ध है।

3.1 पूर्वानुमान सटीकता मापदंड

रैंडम फॉरेस्ट रिग्रेशन मॉडल ने सभी मापदंडों में श्रेष्ठ प्रदर्शन दिखाया:

• मॉडल फिटनेस (R²): ~99% स्थानांतरण शिफ्ट (X, Y) के लिए, 96% घूर्णन शिफ्ट के लिए।
• माध्य निरपेक्ष त्रुटि (MAE): 13.47 µm (X), 12.02 µm (Y), 1.52 डिग्री (घूर्णन)।

ये त्रुटियाँ सामान्य घटक और पैड आयामों (जैसे, 0402 पैकेज ~1000x500 µm) से काफी छोटी हैं, जो उच्च व्यावहारिक प्रासंगिकता दर्शाती हैं।

3.2 तुलनात्मक मॉडल प्रदर्शन

आरएफआर ने लगातार एसवीआर और एनएन से बेहतर प्रदर्शन किया। यह जटिल अंतःक्रियाओं वाले सारणीबद्ध डेटा के लिए एन्सेम्बल विधियों के ज्ञात सामर्थ्य के अनुरूप है, जैसा कि मूलभूत एमएल साहित्य (जैसे, ब्रेइमैन, 2001) में उजागर किया गया है। एनएन का संभावित रूप से कम प्रदर्शन भौतिक प्रयोगों में आम तौर पर अपेक्षाकृत छोटे डेटासेट आकार से उत्पन्न हो सकता है, जहाँ आरएफआर की मजबूती चमकती है।

4.1 मुख्य अंतर्दृष्टि एवं तार्किक प्रवाह

मुख्य अंतर्दृष्टि: रीफ्लो के दौरान सोल्डर जोड़ निर्माण का "ब्लैक बॉक्स" एक अराजक प्रक्रिया नहीं है, बल्कि एक नियतात्मक, भौतिकी-संचालित प्रणाली है जिसे पर्याप्त डेटा के साथ रिवर्स-इंजीनियर किया जा सकता है। यह अध्ययन साबित करता है कि जटिल द्रव गतिकी और पृष्ठ तनाव बल, जिन्हें पारंपरिक रूप से कम्प्यूटेशनली महंगे सीएफडी सिमुलेशन के साथ मॉडल किया जाता है, को ट्री-आधारित एन्सेम्बल लर्निंग द्वारा उल्लेखनीय निष्ठा के साथ पकड़ा जा सकता है। तार्किक प्रवाह सुंदर रूप से सरल है: परिणाम (शिफ्ट) मापें, प्रारंभिक स्थितियाँ (फीचर) रिकॉर्ड करें, और मॉडल को छिपे हुए फ़ंक्शन $f$ को सीखने दें जैसे कि $[\Delta x, \Delta y, \Delta \theta] = f(\text{ज्यामिति, पेस्ट, ऑफसेट...})$। यह प्रत्येक घटक-पैड संयोजन के लिए नेवियर-स्टोक्स समीकरणों को स्पष्ट रूप से हल करने की आवश्यकता को दरकिनार कर देता है।

4.2 सामर्थ्य एवं गंभीर कमियाँ

सामर्थ्य: व्यावहारिक, डेटा-प्रथम दृष्टिकोण इसकी सबसे बड़ी संपत्ति है। आरएफआर के साथ माइक्रोन-स्तरीय पूर्वानुमान सटीकता प्राप्त करना प्रक्रिया अनुकूलन के लिए तत्काल मूल्य प्रदान करता है। आरएफआर का चुनाव चतुराईपूर्ण था, क्योंकि यह गहन शिक्षा के लिए आवश्यक विशाल डेटासेट की मांग किए बिना अरेखीयता और फीचर अंतःक्रियाओं को अच्छी तरह से संभालता है।

गंभीर कमियाँ: अध्ययन की आचिलीज़ एड़ी इसकी सामान्यीकरण की संभावित कमी है। मॉडल लगभग निश्चित रूप से घटकों (संभवतः पैसिव चिप्स), सोल्डर पेस्ट और पैड फिनिश के एक विशिष्ट सेट पर प्रशिक्षित है। क्या यह क्यूएफएन पैकेज या नो-क्लीन बनाम वाटर-सॉल्युबल फ्लक्स के साथ सटीक अनुमान लगाएगा? कई एमएल मॉडलों की तरह, यह एक बहुत ही विशिष्ट प्रयोगशाला सेटअप के "डिजिटल ट्विन" होने का जोखिम रखता है। इसके अलावा, जबकि पूर्वानुमान हल हो गया है, कार्य-कारण नहीं है। मॉडल यह नहीं बताता कि घटक क्यों चलता है, जो मौलिक डिजाइन नवाचार के लिए इसके उपयोग को सीमित करता है। यह एक उत्कृष्ट सहसंबंधी उपकरण है लेकिन कारणात्मक नहीं है।

4.3 उद्योग के लिए क्रियान्वयन योग्य अंतर्दृष्टि

1. अभी लागू करें: उच्च-मिश्रण, उच्च-मात्रा वाली एसएमटी लाइनों वाले ईएमएस प्रदाताओं और ओईएम को इस कार्यप्रणाली का पायलट करना चाहिए। अपनी स्वयं की प्रक्रिया से एक डेटासेट बनाकर शुरुआत करें—केवल टॉम्बस्टोनिंग और ब्रिजिंग दोषों को कम करने से आरओआई प्रयास को उचित ठहराता है।
2. प्लेसमेंट अनुकूलित करें: पूर्वानुमान मॉडल को पिक एंड प्लेस मशीन के सॉफ़्टवेयर में एकीकृत करें। नाममात्र पैड केंद्र पर निशाना लगाने के बजाय, मशीन को एक "पूर्व-क्षतिपूर्ति" स्थान $P_{comp} = P_{nominal} - \text{पूर्वानुमानित शिफ्ट}$ पर निशाना लगाना चाहिए, जिससे रीफ्लो प्रक्रिया को अंतिम, स्वचालित अंशांकन चरण के रूप में प्रभावी ढंग से उपयोग किया जा सके।
3. भौतिकी-एमएल अंतर को पाटें: अगला सीमांत हाइब्रिड एआई है। सिंथेटिक प्रशिक्षण डेटा उत्पन्न करने या स्वयं एक फीचर के रूप में उपयोग करने के लिए एक सरलीकृत भौतिकी-आधारित मॉडल (जैसे, पृष्ठ तनाव आघूर्णों की गणना) का उपयोग करें, फिर वास्तविक दुनिया के डेटा के साइन परिष्कृत करें। यह, जिस तरह से भौतिकी-सूचित न्यूरल नेटवर्क (पीआईएनएन) काम करते हैं, सामान्यीकरण दोष को संबोधित करेगा।

4.4 विश्लेषण रूपरेखा उदाहरण (नो-कोड)

परिदृश्य: एक प्रक्रिया इंजीनियर को एक नए 0201 कैपेसिटर असेंबली के लिए दोषों को कम करने की आवश्यकता है। रूपरेखा अनुप्रयोग: 1. डेटा स्तर: 50 बोर्डों के लिए, नियंत्रित सीमा (जैसे, ±50 µm) के भीतर जानबूझकर प्लेसमेंट ऑफसेट को बदलें। प्रारंभिक X, Y, $\theta$ ऑफसेट, पैड आयाम और स्टेंसिल एपर्चर आकार रिकॉर्ड करें। 2. मापन स्तर: पोस्ट-रीफ्लो, अंतिम $\Delta x, \Delta y, \Delta \theta$ को मापने के लिए स्वचालित ऑप्टिकल निरीक्षण (एओआई) या परिशुद्ध सूक्ष्मदर्शी का उपयोग करें। 3. मॉडलिंग स्तर: एकत्रित डेटा को एक आरएफआर मॉडल (स्किकिट-लर्न जैसे लाइब्रेरी का उपयोग करके) में इनपुट करें। शिफ्ट का अनुमान लगाने के लिए मॉडल को प्रशिक्षित करें। 4. कार्रवाई स्तर: मॉडल एक क्षतिपूर्ति मानचित्र आउटपुट करता है। इसे पीएंडपी मशीन में फीड करें ताकि अगले 500 बोर्डों के लिए पूर्व-क्षतिपूर्ति प्लेसमेंट लागू किया जा सके। 5. सत्यापन: अगले बैच से दोष दरों (टॉम्बस्टोनिंग, शिफ्ट) की निगरानी करें ताकि सुधार को मात्रात्मक रूप दिया जा सके।